结合无监督,监督和基于规则的学习:在电子健康记录中检测患者过敏的情况

科学领域:

• 计算语言学计算语言学
• 医疗信息学医学信息学
• 医疗保健中的人工智能

背景情况:

• 电子健康记录 (EHR) 对促进临床决策支持和精准医学具有重大潜力.
• 医疗保健中的当前自然语言处理 (NLP) 方法在性能,效率和透明度方面面临限制.
• 现有的基于规则和机器学习的方法与临床语言的复杂性作斗争.

研究的目的:

• 为医疗保健应用提供一种新,透明和可解释的NLP方法.
• 解决现有的NLP技术在处理临床数据方面的缺陷.
• 开发一种方法,促进有效的临床词汇和概念构建.

主要方法:

• 无监督学习的词嵌入的自动临床语言理解.
• 半监督学习加速临床词汇和概念开发.
• 精确信息提取和细粒度控制的确定性规则.
• 临床概念搜索信息系统 (ICCS) 临床决策支持系统 (CDSS) 的开发.

主要成果:

• 这种新的NLP方法实现了高性能指标:92.6%的回忆,88.8%的精度和90.7%的F测量.
• 与监督学习算法相比,在对患者过敏进行分类方面表现出了最先进的性能.
• 定性分析证实了词嵌入方法在临床NLP中用于自动特征工程的潜力.

结论:

• 综合NLP方法为医疗保健数据的性能,透明度和可解释性提供了显著的改进.
• 该方法对语言独立性有希望,并且需要最小的域资源进行维护.
• 建议对无监督,监督和基于规则的范式的协同组合进行进一步的研究,用于临床NLP.